1.9 KiB
| title | localeTitle |
|---|---|
| Data Alone Is not Enough | Datos solos no son suficientes |
Datos solos no son suficientes
Sin tener en cuenta el cambio de algoritmos de aprendizaje automático u otros aspectos de entrenando el modelo, los datos por sí solos no son suficientes para ayudar a su aprendiz a mejorar.
Cada alumno debe incorporar algún conocimiento o suposiciones más allá de los datos que está Dado para generalizar más allá de esto (Domingos, 2012).
Lo que esta declaración dice esencialmente es que si usted elige a ciegas aprendiendo solo porque lo ha oído bien, recopilar más datos no lo hará Ayudarte necesariamente en tus objetivos de aprendizaje automático.
Por ejemplo, supongamos que tiene datos que dependen del tiempo (por ejemplo, datos de series de tiempo) y desea utilizar un clasificador binario (por ejemplo, regresión logística). Recogiendo más datos de series de tiempo podrían no ser los mejores para ayudar a su aprendiz. Esto es porque un clasificador binario no está diseñado para series de tiempo.
Esto no quiere decir que una vez que haya elegido el mejor algoritmo de aprendizaje automático Basándote en tu problema, agregar más datos no te servirá de nada. En este caso, Te ayudará.
El aprendizaje automático no es magia; no puede obtener algo de la nada Lo que se obtiene más con menos ... Los estudiantes combinan conocimiento con datos para crecer Programas (Domingos, 2012).